Das Sequential Recommender System ist eine wichtige Art von Empfehlungssystem. Seine Hauptaufgabe besteht darin, das nächste Verhalten des Benutzers basierend auf der historischen Verhaltenssequenz des Benutzers vorherzusagen. Es versucht, die zeitlichen Informationen des Benutzerverhaltens, die Interaktionen zwischen Benutzern und Elementen sowie die Änderungen dieser Faktoren im Laufe der Zeit zu verstehen und zu modellieren, um den Benutzern genauere Empfehlungen zu geben, die ihren aktuellen und jüngsten Präferenzen entsprechen. Wenn ein Benutzer beispielsweise auf einer E-Commerce-Plattform zuerst nach Computern und Tastaturen und dann nach Mäusen sucht, sagt das sequentielle Empfehlungssystem auf Grundlage dieser Verhaltensreihe voraus, dass der Benutzer möglicherweise an Computerzubehör wie Computerlautsprechern interessiert ist, und empfiehlt dem Benutzer derartige Produkte.

In frühen Studien wurden zur Sequenzempfehlung einige Methoden verwendet, die auf einfachen Modellen wie Markov-Ketten basierten. Später, mit dem Aufkommen der Deep-Learning-Technologie, entstanden weiterhin Sequenzempfehlungsmethoden auf Basis von Deep-Learning-Modellen wie rekurrenten neuronalen Netzwerken (RNN), Long Short-Term Memory Networks (LSTM), Gated Recurrent Units (GRU) und Transformers.

Der im IJCAL 2019 veröffentlichte ArtikelSequentielle Empfehlungssysteme: Herausforderungen, Fortschritte und Perspektiven„Dieses Papier bietet einen umfassenden Überblick über sequentielle Empfehlungssysteme und fasst ihre Merkmale, Herausforderungen, Forschungsfortschritte und wichtigen Forschungsrichtungen systematisch zusammen und analysiert sie.